Question

有许多问题（1，2，3）处理单一系列中的值计数。

但是，关于计算两个或更多系列的组合的最佳方法的问题较少。提供了解决方案（1，2），但不讨论何时以及为何应该使用每个解决方案。

以下是三种潜在方法的基准测试。我有两个具体问题：

为什么grouper比count效率更高？我希望count效率更高，因为它在C中实现。即使列数从2增加到4，grouper的优越性能仍然存在。
为什么value_counter表现不如grouper？这是由于从列表构建列表或系列的成本吗？

我理解输出是不同的，这也应该告知选择。例如，使用连续numpy数组与字典理解相比，按计数过滤效率更高：

x, z = grouper(df), count(df)
%timeit x[x.values > 10]                        # 749µs
%timeit {k: v for k, v in z.items() if v > 10}  # 9.37ms

然而，我的问题的重点是在一系列与字典中的建立可比结果的表现。我的C知识是有限的，但我会感谢任何可以指出这些方法的基础逻辑的答案。

基准代码

import pandas as pd
import numpy as np
from collections import Counter

np.random.seed(0)

m, n = 1000, 100000

df = pd.DataFrame({'A': np.random.randint(0, m, n),
                   'B': np.random.randint(0, m, n)})

def grouper(df):
    return df.groupby(['A', 'B'], sort=False).size()

def value_counter(df):
    return pd.Series(list(zip(df.A, df.B))).value_counts(sort=False)

def count(df):
    return Counter(zip(df.A.values, df.B.values))

x = value_counter(df).to_dict()
y = grouper(df).to_dict()
z = count(df)

assert (x == y) & (y == z), "Dictionary mismatch!"

for m, n in [(100, 10000), (1000, 10000), (100, 100000), (1000, 100000)]:

    df = pd.DataFrame({'A': np.random.randint(0, m, n),
                       'B': np.random.randint(0, m, n)})

    print(m, n)

    %timeit grouper(df)
    %timeit value_counter(df)
    %timeit count(df)

基准测试结果

在python 3.6.2上运行，pandas 0.20.3，numpy 1.13.1

机器规格：Windows 7 64位，双核2.5 GHz，4GB RAM。

密钥：g = grouper，v = value_counter，c = count。

m           n        g        v       c
100     10000     2.91    18.30    8.41
1000    10000     4.10    27.20    6.98[1]
100    100000    17.90   130.00   84.50
1000   100000    43.90   309.00   93.50

¹这不是拼写错误。

Answer 1

zip(df.A.values, df.B.values)实际上有一些隐藏的开销。这里的关键是numpy数组以与Python对象完全不同的方式存储在内存中。

numpy数组（例如np.arange(10)）实际上存储为连续的内存块，而不是单独的Python对象。相反，Python列表（例如list(range(10))）作为指向各个Python对象（即整数0-9）的指针存储在内存中。这个差异是为什么numpy数组在内存中比Python等效列表更小的基础，以及为什么你可以在numpy数组上执行更快的计算。

因此，当Counter消耗zip时，需要将关联的元组创建为Python对象。这意味着Python需要从numpy数据中提取元组值，并在内存中创建相应的Python对象。这有明显的开销，这就是为什么在将纯Python函数与numpy数据组合时要非常小心的原因。您可能经常看到的这个陷阱的一个基本示例是在numpy数组上使用内置Python sum：sum(np.arange(10**5))实际上比纯Python sum(range(10**5))慢一点，两者都是其中当然明显慢于np.sum(np.arange(10**5))。

有关此主题的更深入讨论，请参阅this video。

作为特定于此问题的示例，请观察以下时序，比较压缩numpy数组Counter与相应压缩Python列表的性能。

In [2]: a = np.random.randint(10**4, size=10**6)
   ...: b = np.random.randint(10**4, size=10**6)
   ...: a_list = a.tolist()
   ...: b_list = b.tolist()

In [3]: %timeit Counter(zip(a, b))
455 ms ± 4.7 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [4]: %timeit Counter(zip(a_list, b_list))
334 ms ± 4.2 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

这两个时间之间的差异使您可以合理估计前面讨论的开销。

但这并不是故事的结局。在pandas中构造groupby对象也涉及一些开销，至少与此问题相关，因为有一些groupby元数据并不是仅仅获得size所必需的，而{ {1}}做你唯一关心的单一事情。通常这个开销远远低于与Counter相关的开销，但是从一些快速实验中我发现当你的大多数组只包含单个时，你可以从Counter获得略微更好的性能。元件。

考虑以下时间（使用@ BallpointBen的Counter建议），这些时间沿着几个大组的范围进行 - ＆lt; - ＆gt;许多小团体：

sort=False

这给了我下表：

def grouper(df):
    return df.groupby(['A', 'B'], sort=False).size()

def count(df):
    return Counter(zip(df.A.values, df.B.values))

for m, n in [(10, 10**6), (10**3, 10**6), (10**7, 10**6)]:

    df = pd.DataFrame({'A': np.random.randint(0, m, n),
                       'B': np.random.randint(0, m, n)})

    print(m, n)

    %timeit grouper(df)
    %timeit count(df)

当然，m grouper counter 10 62.9 ms 315 ms 10**3 191 ms 535 ms 10**7 514 ms 459 ms的任何收益都可以通过转换回Counter来抵消，如果这是您想要的最终对象。

Pandas groupby.size vs series.value_counts vs collections.Counter with multiple series

1 个答案: